| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 课题研究背景与意义 | 第8-9页 |
| 1.1.1 研究背景 | 第8-9页 |
| 1.1.2 研究意义 | 第9页 |
| 1.2 SVM 遥感分类研究现状和存在问题 | 第9-11页 |
| 1.2.1 SVM 遥感分类的研究现状 | 第9-10页 |
| 1.2.2 SVM 遥感分类的存在问题 | 第10-11页 |
| 1.3 本文章节安排 | 第11-13页 |
| 第二章 预备知识 | 第13-21页 |
| 2.1 遥感图像的非监督分类方法 | 第13-14页 |
| 2.1.1 K-均值聚类法 | 第14页 |
| 2.1.2 ISODATA 分类法 | 第14页 |
| 2.2 遥感图像的监督分类方法 | 第14-19页 |
| 2.2.1 SVM 分类方法 | 第15-16页 |
| 2.2.2 核函数的参数及常用优化方法 | 第16-19页 |
| 2.3 基于专家知识的决策树分类 | 第19-20页 |
| 2.4 本章小结 | 第20-21页 |
| 第三章 基于 Kmeans 预分类的遥感图像特征提取 | 第21-31页 |
| 3.1 遥感图像非监督预分类 | 第21-22页 |
| 3.1.1 遥感图像 Kmeans 预分类 | 第21页 |
| 3.1.2 遥感图像 Isodata 预分类 | 第21-22页 |
| 3.2 遥感图像特征提取 | 第22-26页 |
| 3.2.1 遥感图像特征介绍 | 第22-23页 |
| 3.2.2 提取遥感图像特征 | 第23-26页 |
| 3.3 实验与分析 | 第26-30页 |
| 3.3.1 基于预分类的遥感图像样本选取 | 第27-28页 |
| 3.3.2 基于不同样本选取方法的 SVM 分类比较 | 第28-30页 |
| 3.4 本章小结 | 第30-31页 |
| 第四章 基于 GA-PSO 优化的 SVM 混合核参数 | 第31-48页 |
| 4.1 混合核函数 | 第31-38页 |
| 4.1.1 常用核函数分析 | 第31-34页 |
| 4.1.2 构造混合核函数 | 第34-38页 |
| 4.2 GA-PSO 优化混合核参数 | 第38-44页 |
| 4.2.1 GA 优化混合核参数 | 第38-40页 |
| 4.2.2 PSO 优化混合核参数 | 第40-42页 |
| 4.2.3 GA-PSO 优化混合核参数 | 第42-44页 |
| 4.3 实验与分析 | 第44-47页 |
| 4.4 本章小结 | 第47-48页 |
| 第五章 基于加权特征的 HDT-SVM 遥感图像分类 | 第48-54页 |
| 5.1 HDT-SVM 遥感图像分类 | 第48-51页 |
| 5.1.1 基于 HDT-SVM 遥感图像分类 | 第48-49页 |
| 5.1.2 实验与分析 | 第49-51页 |
| 5.2 基于多特征组合的 HDT-SVM 遥感图像分类 | 第51-53页 |
| 5.2.1 基于加权多特征的 HDT-SVM 遥感图像分类 | 第51-52页 |
| 5.2.2 实验与分析 | 第52-53页 |
| 5.3 本章小结 | 第53-54页 |
| 第六章 基于 GA-PSO 与 HDT-SVM 的南京市遥感分类 | 第54-64页 |
| 6.1 遥感图像预处理 | 第54-56页 |
| 6.1.1 图像裁剪 | 第54-55页 |
| 6.1.2 几何校正 | 第55-56页 |
| 6.2 基于 kmeans 预分类的特征提取 | 第56-59页 |
| 6.3 基于 GA-PSO 优化混合核参数 | 第59-60页 |
| 6.4 基于 HDT-SVM 的南京市遥感分类 | 第60-63页 |
| 6.5 本章小结 | 第63-64页 |
| 第七章 总结与展望 | 第64-66页 |
| 7.1 总结 | 第64-65页 |
| 7.2 展望 | 第65-66页 |
| 参考文献 | 第66-70页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第70-71页 |
| 附录2 攻读硕士学位期间参加的科研项目 | 第71-72页 |
| 致谢 | 第72页 |
